SyncBatchNorm

class paddle.nn. SyncBatchNorm ( num_features, epsilon=1e-5, momentum=0.9, weight_attr=None, bias_attr=None, data_format='NCHW', name=None ) [源代码]

构建 SyncBatchNorm 类的一个可调用对象,具体用法参照 代码示例。实现了跨卡 GPU 同步的批归一化(Cross-GPU Synchronized Batch Normalization Layer)的功能,可用在其他层(类似卷积层和全连接层)之后进行归一化操作。根据所有 GPU 同一批次的数据按照通道计算的均值和方差进行归一化。更多详情请参考:Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift

当模型处于训练模式时,\(\mu_{\beta}\)\(\sigma_{\beta}^{2}\) 是所有 GPU 上同一 minibatch 的统计数据。计算公式如下:

\[\begin{split}\mu_{\beta} &\gets \frac{1}{m} \sum_{i=1}^{m} x_i \quad &// mini-batch-mean \\ \sigma_{\beta}^{2} &\gets \frac{1}{m} \sum_{i=1}^{m}(x_i - \mu_{\beta})^2 \quad &// mini-batch-variance \\\end{split}\]
  • \(x\):所有 GPU 上同一批输入数据

  • \(m\):所有 GPU 上同一批次数据的大小

当模型处于评估模式时,\(\mu_{\beta}\)\(\sigma_{\beta}^{2}\) 是全局(或运行)统计数据(moving_mean 和 moving_variance,这两个统计量通常来自预先训练好的模型)。计算公式如下:

\[\begin{split}moving\_mean = moving\_mean * momentum + \mu_{\beta} * (1. - momentum) \quad &// global mean \\ moving\_variance = moving\_variance * momentum + \sigma_{\beta}^{2} * (1. - momentum) \quad &// global variance \\\end{split}\]

归一化函数公式如下:

\[\begin{split}\hat{x_i} &\gets \frac{x_i - \mu_\beta} {\sqrt{\sigma_{\beta}^{2} + \epsilon}} \quad &// normalize \\ y_i &\gets \gamma \hat{x_i} + \beta \quad &// scale-and-shift \\\end{split}\]
  • \(\epsilon\):添加较小的值到方差中以防止除零

  • \(\gamma\):可训练的比例参数

  • \(\beta\):可训练的偏差参数

注解

如果您想用容器封装您的模型,而且您的模型在预测阶段中包含 SyncBatchNorm 这个算子的话,请使用 nn.LayerList 或者 nn.Sequential 而不要直接使用 list 来封装模型。

参数

  • num_features (int) - 指明输入 Tensor 的通道数量。

  • epsilon (float,可选) - 为了数值稳定加在分母上的值。默认值:1e-05。

  • momentum (float,可选) - 此值用于计算 moving_meanmoving_var。默认值:0.9。更新公式如上所示。

  • weight_attr (ParamAttr|bool,可选) - 指定权重参数属性的对象。如果设置为 False,则表示本层没有可训练的权重参数。默认值为 None,表示使用默认的权重参数属性。具体用法请参见 ParamAttr

  • bias_attr (ParamAttr|bool,可选) - 指定偏置参数属性的对象。如果设置为 False,则表示本层没有可训练的偏置参数。默认值为 None,表示使用默认的偏置参数属性。具体用法请参见 ParamAttr

形状

  • input:一个二维到五维的 Tensor

  • output:和 input 相同形状的 Tensor

代码示例

>>> import paddle
>>> import paddle.nn as nn
>>> paddle.device.set_device('gpu')
>>> x = paddle.to_tensor([[[[0.3, 0.4], [0.3, 0.07]], [[0.83, 0.37], [0.18, 0.93]]]]).astype('float32')

>>> if paddle.is_compiled_with_cuda():
...     sync_batch_norm = nn.SyncBatchNorm(2)
...     hidden1 = sync_batch_norm(x)
...     print(hidden1)
Tensor(shape=[1, 2, 2, 2], dtype=float32, place=Place(gpu:0), stop_gradient=False,
[[[[ 0.26824948,  1.09363246],
   [ 0.26824948, -1.63013160]],
  [[ 0.80956620, -0.66528702],
   [-1.27446556,  1.13018656]]]])

方法

convert_sync_batchnorm(layer)

BatchNorm*d 层转换为 SyncBatchNorm 层。

参数

  • layer (paddle.nn.Layer) - 包含一个或多个 BatchNorm*d 层的模型。

返回

如果原始模型中有 BatchNorm*d 层,则把 BatchNorm*d 层转换为 SyncBatchNorm 层的原始模型。

代码示例

>>> import paddle
>>> import paddle.nn as nn

>>> model = nn.Sequential(nn.Conv2D(3, 5, 3), nn.BatchNorm2D(5))
>>> sync_model = nn.SyncBatchNorm.convert_sync_batchnorm(model)
>>> print(sync_model)
Sequential(
    (0): Conv2D(3, 5, kernel_size=[3, 3], data_format=NCHW)
    (1): SyncBatchNorm(num_features=5, momentum=0.9, epsilon=1e-05)
)

使用本API的教程文档